结直肠癌组织纹理分类

分享给好友

2019-11-02 15:00:00
开始提交

2019-12-02 15:00:00
最终提交结束

自由训练

剩余奖金 ¥ 43
参赛权限提示

当前赛题需能力值达到 $vue{itemranking} 才可以正常提交训练哦~

当前赛题仅允许 600 能力值以下的新手可以正常提交训练哦~

报名参赛
  • 赛事介绍
  • 竞赛排行榜
  • 奖金记录
  • 讨论($vue{comment_count})

绑定你的微信账号

用于本地环境登录和实时接收训练通知

打开微信,使用扫一扫功能分享给好友

绑定你的微信账号

用于本地环境登录和实时接收训练通知

温馨提示

$vue{csv_msg}

知道了
提交结果文件

$vue{csvName == '' ? '仅支持上传 CSV 格式的文件' : csvName+' 上传中...'}

$vue{csvName}上传成功
取消 确认提交

提交成功

系统正在测评您的结果文件,

您可通过右侧【我的提交-查看记录详情】进行查看

知道了

大赛简介

结直肠癌(colorectal cancer,CRC)位于常见恶性肿瘤第三位并且死亡率极高,其早期诊断和肿瘤分期对治疗方式的选择有重要意义。近年来,越来越多的研究表明,纹理分析通过分析影像中像素或体素灰度的分布和联系,挖掘其细微结构和变化规律,能够更精确地评估肿瘤异质性、内在侵袭性和治疗抗性。因此纹理分析有助于肿瘤的早期诊断、分期和预后评估。

本赛题主要对结直肠癌的纹理影像进行分类,其中据集包含了5000张结直肠癌纹理的图片,图片大小为150*150的RGB图片。图片共分为8个类别,代表8种不同的纹理。

参赛须知

参赛时间: 本次竞赛无时间限制,长期有效开放

参赛方式

  • 方式一:
  • 在线查看样例根据FlyAI样例模版实现算法并使用云端免费GPU进行模型训练获得最终成绩得分
  • 方式二:
  • 下载FlyAI样例模版进行本地调试并提交到云端使用免费GPU进行模型训练获得最终成绩得分,在本地进行代码调试的教程请查看[文档中心]

参赛选手说明

  • 参赛人员身份信息需保证真实、有效,大赛主办方仅将个人信息用于赛事数据授权及颁奖使用
  • 欢迎海内外的在校学生,算法工程师和所有AI爱好者参与
  • 本次竞赛报名形式:以个人形式本地提交作品线上审核,并且以最终提交算法得分作为唯一有效成绩
  • 在比赛截止日期前,团队中成绩最高分作为本团队的最终成绩
  • 报名成功后请加入FlyAI竞赛交流群,一起学习进步!重要通知也将在群内发布,不要错过哦

比赛作品说明

  • 参赛选手需要配合组委会对比赛作品的有效性与真实性进行验证
  • 不同团队/个人,提交相似结果文件,取消双方所有人员参赛资格
  • 多开小号报名、提交,一经发现将取消参赛资格
  • 禁止使用外部链接下载代码替换本项目代码
  • 比赛过程中,通过脚本获取比赛数据,成绩无效
  • 使用线上测试集进行训练或者使用非官方提供的外部数据进行训练,成绩无效
  • 使用的预训练模型需为FlyAI官方审核通过的模型,使用非官方验证预训练模型,成绩无效
  • 提交的代码具备可解释性并且其它开源框架可复现
  • 所有相似代码将一律不通过审核!!情况多次出现者封号处理
  • 如有发现利用非正常手段作弊行为,奖金一律不发放。之前所获得奖金金额官方有权收回,情节严重者封号处理
  • 提交代码即视为阅读并同意以上比赛作品说明

大赛奖项设置

奖项说明:

奖项设置 获奖人数 奖金额度说明(按最终得分评判)
参与奖(总奖金20%) 所有人 根据基线得分与100分之间,分成5个奖金区间;不同得分区间获得相应的竞赛奖金。
突破奖(总奖金10%) 所有人 更新排行榜最高分数,获得相应的竞赛奖金
排名奖(总奖金70%) 月赛前5名 奖金发放最终以月为单位,前5名获奖占比以K系数表示,分别为:0.45,0.25,0.15,0.1,0.05
不同框架奖励 所有人 获得60FAI币用于GPU训练资源消耗

赛事主题和数据说明

赛题描述

通过实现算法并提交训练,获取奖金池奖金。小提示:抢先更新算法排行榜,有更大机会获取高额奖金哦!

数据描述

由于需要提交代码作品在云端进行训练,参赛数据集不对外开放。仅提供调试数据,可通过使用本地调试的方式获取调试数据集。本地调试和提交指南请查看[文档中心]

字段说明:

文件名 字段名称 字段类型 备注
image_path string 不为空 图片路径
label string 不为空 类别

评审标准

算法输入输出格式

输入字段: image_path,

输出字段: label,

评审指标说明

  • 准确率(Accuracy):对于给定的测试数据集,预测正确的样本数与实际总样本数之比
  • True,表示预测正确的样本数数量
  • Total Number of Samples,表示实际总样本数数量
  • 计算公式如下:

比赛常见问题说明

Q:比赛使用什么框架?

  • 比赛支持常用的机器学习和深度学习框架,比如TensorFlow,PyTorch,Keras,Scikit-learn、MXNet等。

Q:怎么参加比赛,需不需要提交CSV文件?

  • FlyAI竞赛平台提供免费云端GPU资源,报名后可以使用自己熟练的框架,修改main.py中的网络结构和processor.py中的数据处理;仅部分赛题支持CSV方式提交,请仔细阅读参赛方式相关内容。

Q:比赛排行榜分数怎么得到的?

  • 参加项目竞赛必须实现 model.py 中的predict_all方法。系统通过该方法,调用模型得出评分。

$vue{item.rank_name}

超过 85分 的成绩会在48小时内更新到排行榜,不要着急哦!
第三名

提供者:善假于物

1907.41

batch数据为1,循环次数为1次,通过在线上环境完成训练,模型最优精度评分为98.90。

2019-11-26 12:53:16

1907.41

98.90

第三名

提供者:小林子

1068.00

batch数据为20,循环次数为35次,通过在线上环境完成训练,模型最优精度评分为98.80。

2019-11-16 18:42:26

1068.00

98.80

第三名

提供者:大木淡漠

648.75

batch数据为64,循环次数为75次,通过在线上环境完成训练,模型最优精度评分为98.70。

PyTorch

SEnet

2019-12-02 13:20:36

648.75

98.70

4

提供者:trickornot

420.00

batch数据为64,循环次数为35次,通过在线上环境完成训练,模型最优精度评分为98.60。

2019-11-30 18:29:04

420.00

98.60

5

提供者:一口大怪兽

373.38

batch数据为1,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为98.50。

2019-11-15 12:42:30

373.38

98.50

6

提供者:AMERICA

batch数据为100,循环次数为800次,通过在线上环境完成训练,模型最优精度评分为98.50。

2019-11-22 12:55:10

98.50

7

提供者:emmm我还没想好

708.00

batch数据为1,循环次数为1次,通过在线上环境完成训练,模型最优精度评分为98.40。

PyTorch

SEnet

2019-11-19 05:47:23

708.00

98.40

8

提供者:gboy

batch数据为64,循环次数为55次,通过在线上环境完成训练,模型最优精度评分为98.40。

PyTorch

SEnet

2019-12-01 22:39:45

98.40

9

提供者:cnn

batch数据为64,循环次数为300次,通过在线上环境完成训练,模型最优精度评分为98.30。

2019-11-18 19:24:52

98.30

10

提供者:交差墒

1.17

batch数据为1,循环次数为1次,通过在线上环境完成训练,模型最优精度评分为98.20。

PyTorch

Desenet

2019-11-20 13:36:05

1.17

98.20

11

提供者:WYC

batch数据为32,循环次数为10次,通过在线上环境完成训练,模型最优精度评分为98.20。

MXNet

ResNet

2019-11-23 17:31:23

98.20

12

提供者:qqm

batch数据为32,循环次数为150次,通过在线上环境完成训练,模型最优精度评分为98.20。

PyTorch

SEnet

2019-11-30 20:07:23

98.20

13

提供者:快来追我呀

batch数据为16,循环次数为3000次,通过在线上环境完成训练,模型最优精度评分为98.20。

2019-12-01 11:48:47

98.20

14

提供者:Daiccccc

53.50

batch数据为1,循环次数为1次,通过在线上环境完成训练,模型最优精度评分为98.00。

2019-11-05 08:04:43

53.50

98.00

15

提供者:忘忧草892

14.07

batch数据为64,循环次数为39次,通过在线上环境完成训练,模型最优精度评分为97.90。

2019-11-03 20:06:25

14.07

97.90

16

提供者:Vitto

batch数据为128,循环次数为70次,通过在线上环境完成训练,模型最优精度评分为97.90。

2019-11-20 19:05:26

97.90

17

提供者:把你吃掉

batch数据为64,循环次数为50次,通过在线上环境完成训练,模型最优精度评分为97.90。

PyTorch

SEnet

2020-02-07 09:37:01

97.90

18

提供者:天涯·明月·刀

18.75

batch数据为64,循环次数为32次,通过在线上环境完成训练,模型最优精度评分为97.80。

2019-11-08 01:54:02

18.75

97.80

19

提供者:西北风

324.00

batch数据为32,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为97.50。

PyTorch

SEnet

2019-11-01 09:46:35

324.00

97.50

20

提供者:qi1572573667

batch数据为64,循环次数为70次,通过在线上环境完成训练,模型最优精度评分为97.40。

2019-11-19 14:58:53

97.40

21

提供者:龙傲天

batch数据为128,循环次数为25次,通过在线上环境完成训练,模型最优精度评分为97.30。

2019-11-24 15:47:10

97.30

22

提供者:呵了个呵。

batch数据为16,循环次数为50次,通过在线上环境完成训练,模型最优精度评分为97.20。

2019-11-07 19:13:49

97.20

23

提供者:yangsmile

batch数据为256,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为97.20。

2019-11-20 18:43:33

97.20

24

提供者:Honay, King

batch数据为32,循环次数为10次,通过在线上环境完成训练,模型最优精度评分为97.10。

2019-11-15 15:44:06

97.10

25

提供者:D.N.A

batch数据为64,循环次数为200次,通过在线上环境完成训练,模型最优精度评分为97.10。

2019-11-17 10:56:07

97.10

26

提供者:龙龙

batch数据为32,循环次数为64次,通过在线上环境完成训练,模型最优精度评分为97.10。

PyTorch

SEnet

2019-12-25 11:59:22

97.10

27

提供者:Mengcius

5.34

batch数据为128,循环次数为2000次,通过在线上环境完成训练,模型最优精度评分为97.00。

2019-11-05 13:24:05

5.34

97.00

28

提供者:李黎明

batch数据为32,循环次数为32次,通过在线上环境完成训练,模型最优精度评分为97.00。

2019-11-15 17:17:15

97.00

29

提供者:batter

3.00

batch数据为4,循环次数为2次,通过在线上环境完成训练,模型最优精度评分为97.00。

PyTorch

SEnet

2019-11-16 10:01:57

3.00

97.00

30

提供者:chenfengshf

8.34

batch数据为20,循环次数为20次,通过在线上环境完成训练,模型最优精度评分为96.90。

2019-11-30 20:35:34

8.34

96.90

31

提供者:流年相摧

batch数据为64,循环次数为20次,通过在线上环境完成训练,模型最优精度评分为96.80。

2019-11-10 03:25:34

96.80

32

提供者:Mr......

batch数据为32,循环次数为32次,通过在线上环境完成训练,模型最优精度评分为96.80。

2019-11-17 13:56:54

96.80

33

提供者:Zkk_hhh

12.00

batch数据为1,循环次数为1次,通过在线上环境完成训练,模型最优精度评分为96.70。

PyTorch

SEnet

2019-11-10 00:40:59

12.00

96.70

34

提供者:居(^・ェ・^)

batch数据为64,循环次数为50次,通过在线上环境完成训练,模型最优精度评分为96.60。

2019-11-21 19:27:14

96.60

35

提供者:zozo

batch数据为32,循环次数为5次,通过在线上环境完成训练,模型最优精度评分为96.50。

PyTorch

SEnet

2019-11-19 19:33:34

96.50

36

提供者:siaya

6.00

batch数据为32,循环次数为10次,通过在线上环境完成训练,模型最优精度评分为96.10。

2019-11-14 13:23:18

6.00

96.10

37

提供者:Tk more tk less

batch数据为100,循环次数为100次,通过在线上环境完成训练,模型最优精度评分为95.90。

PyTorch

SEnet

2019-11-15 18:23:40

95.90

38

提供者:LVgm

batch数据为32,循环次数为50次,通过在线上环境完成训练,模型最优精度评分为95.80。

2019-11-14 22:21:33

95.80

39

提供者:nice

batch数据为64,循环次数为40次,通过在线上环境完成训练,模型最优精度评分为95.50。

2019-11-04 17:48:41

95.50

40

提供者:Wghost

1.17

batch数据为64,循环次数为100次,通过在线上环境完成训练,模型最优精度评分为95.40。

2019-11-05 04:12:07

1.17

95.40

41

提供者:killf

batch数据为32,循环次数为2次,通过在线上环境完成训练,模型最优精度评分为95.30。

2019-11-03 21:12:55

95.30

42

提供者:哈尔的移动城堡

batch数据为20,循环次数为32次,通过在线上环境完成训练,模型最优精度评分为95.30。

2019-11-13 03:13:29

95.30

43

提供者:✨

batch数据为128,循环次数为100次,通过在线上环境完成训练,模型最优精度评分为95.00。

2019-12-07 23:25:21

95.00

44

提供者:sigmoid

batch数据为16,循环次数为10次,通过在线上环境完成训练,模型最优精度评分为94.80。

PyTorch

SEnet

2019-11-05 04:13:47

94.80

45

提供者:Winteriscoming

127.50

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为94.20。

2019-11-01 09:19:10

127.50

94.20

46

提供者:田海滨

5.63

batch数据为128,循环次数为32次,通过在线上环境完成训练,模型最优精度评分为94.10。

2019-11-04 23:31:54

5.63

94.10

47

提供者:Nelson

batch数据为64,循环次数为20次,通过在线上环境完成训练,模型最优精度评分为93.80。

2019-11-09 09:30:21

93.80

48

提供者:milixiang

batch数据为128,循环次数为200次,通过在线上环境完成训练,模型最优精度评分为93.80。

2019-11-26 17:56:03

93.80

49

提供者:小房子

batch数据为64,循环次数为200次,通过在线上环境完成训练,模型最优精度评分为93.70。

2019-11-13 21:35:37

93.70

50

提供者:希布

batch数据为128,循环次数为300次,通过在线上环境完成训练,模型最优精度评分为93.60。

2019-11-16 20:10:31

93.60

51

提供者:宇宙

26.81

batch数据为256,循环次数为150次,通过在线上环境完成训练,模型最优精度评分为93.40。

PyTorch

SEnet

2019-11-02 12:15:22

26.81

93.40

52

提供者:张小张

batch数据为200,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为93.20。

2019-12-03 08:33:14

93.20

53

提供者:他的国

batch数据为8,循环次数为50次,通过在线上环境完成训练,模型最优精度评分为92.50。

2019-11-14 16:21:54

92.50

54

提供者:侠

batch数据为32,循环次数为10次,通过在线上环境完成训练,模型最优精度评分为92.30。

2019-11-18 14:29:41

92.30

55

提供者:满堂彩

batch数据为32,循环次数为45次,通过在线上环境完成训练,模型最优精度评分为92.10。

2019-11-06 21:16:50

92.10

56

提供者:超爱喝酸奶

93.00

batch数据为1,循环次数为1次,通过在线上环境完成训练,模型最优精度评分为91.90。

PyTorch

SEnet

2019-11-01 14:37:59

93.00

91.90

57

提供者:外星人

batch数据为64,循环次数为1000次,通过在线上环境完成训练,模型最优精度评分为91.90。

2019-11-14 13:29:27

91.90

58

提供者:N丶

batch数据为64,循环次数为100次,通过在线上环境完成训练,模型最优精度评分为91.80。

2019-11-18 10:56:10

91.80

59

提供者:clare

22.50

batch数据为64,循环次数为1000次,通过在线上环境完成训练,模型最优精度评分为91.70。

PyTorch

SEnet

2019-11-01 15:36:54

22.50

91.70

60

提供者:208.

14.25

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为91.50。

2019-11-03 10:44:48

14.25

91.50

61

提供者:领衔主演

batch数据为128,循环次数为50次,通过在线上环境完成训练,模型最优精度评分为91.50。

2019-11-05 02:04:02

91.50

62

提供者:史开杰

batch数据为32,循环次数为1000次,通过在线上环境完成训练,模型最优精度评分为91.40。

2019-11-04 13:03:47

91.40

63

提供者:黄劲潮

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为91.20。

2019-11-16 16:35:03

91.20

64

提供者:DG

batch数据为32,循环次数为100次,通过在线上环境完成训练,模型最优精度评分为91.00。

2019-11-23 14:36:14

91.00

65

提供者:公门桃李争荣日

batch数据为128,循环次数为100次,通过在线上环境完成训练,模型最优精度评分为90.90。

2019-11-14 21:23:53

90.90

66

提供者:童雪清

batch数据为192,循环次数为10000次,通过在线上环境完成训练,模型最优精度评分为90.60。

2019-11-28 14:42:54

90.60

67

提供者:WF

batch数据为128,循环次数为300次,通过在线上环境完成训练,模型最优精度评分为90.50。

2019-11-17 05:01:46

90.50

68

提供者:黄花寒后难逢蝶

batch数据为16,循环次数为32次,通过在线上环境完成训练,模型最优精度评分为90.30。

2019-11-05 13:34:09

90.30

69

提供者:罗二

batch数据为32,循环次数为300次,通过在线上环境完成训练,模型最优精度评分为90.30。

2019-11-20 13:26:35

90.30

70

提供者:禾口王

batch数据为64,循环次数为35次,通过在线上环境完成训练,模型最优精度评分为88.90。

2019-12-01 21:54:38

88.90

71

提供者:myue

batch数据为128,循环次数为500次,通过在线上环境完成训练,模型最优精度评分为88.90。

2019-12-03 13:03:41

88.90

72

提供者:佚

batch数据为64,循环次数为64次,通过在线上环境完成训练,模型最优精度评分为88.20。

Keras

ResNet50

2019-11-11 20:27:03

88.20

73

提供者:范晔

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为88.10。

2019-11-07 11:41:18

88.10

74

提供者:陈鑫1569836074

batch数据为64,循环次数为32次,通过在线上环境完成训练,模型最优精度评分为88.00。

2019-11-08 16:49:31

88.00

75

提供者:Leong_Logan

batch数据为64,循环次数为2000次,通过在线上环境完成训练,模型最优精度评分为87.60。

2019-11-03 18:47:38

87.60

76

提供者:乐呵的太阳

batch数据为64,循环次数为2000次,通过在线上环境完成训练,模型最优精度评分为87.20。

2019-11-04 11:12:30

87.20

77

提供者:HS1574996796

batch数据为128,循环次数为500次,通过在线上环境完成训练,模型最优精度评分为86.90。

2019-12-01 21:24:21

86.90

78

提供者:顺子

batch数据为128,循环次数为200次,通过在线上环境完成训练,模型最优精度评分为86.70。

2019-11-27 15:04:53

86.70

79

提供者:ccy

batch数据为32,循环次数为16次,通过在线上环境完成训练,模型最优精度评分为86.40。

2019-11-10 23:16:45

86.40

80

提供者:乌龙烤奶

batch数据为128,循环次数为3000次,通过在线上环境完成训练,模型最优精度评分为85.30。

2019-11-20 14:57:53

85.30

81

提供者:ON-looker

batch数据为200,循环次数为40次,通过在线上环境完成训练,模型最优精度评分为84.50。

PyTorch

SEnet

2019-11-01 03:20:26

84.50

82

提供者:嘻嘻嘻哈哈

batch数据为100,循环次数为1000次,通过在线上环境完成训练,模型最优精度评分为84.50。

PyTorch

SEnet

2019-11-12 12:59:20

84.50

83

提供者:h1566452233

batch数据为32,循环次数为10次,通过在线上环境完成训练,模型最优精度评分为84.40。

2019-11-18 17:19:14

84.40

84

提供者:wsure

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为84.40。

2019-11-21 12:25:00

84.40

85

提供者:侯伟

batch数据为64,循环次数为300次,通过在线上环境完成训练,模型最优精度评分为84.30。

2019-11-21 17:47:16

84.30

86

提供者:sakuranew

batch数据为32,循环次数为32次,通过在线上环境完成训练,模型最优精度评分为83.30。

PyTorch

SEnet

2019-11-01 11:30:08

83.30

87

提供者:An

batch数据为64,循环次数为300次,通过在线上环境完成训练,模型最优精度评分为83.10。

2019-11-16 01:14:22

83.10

88

提供者:mki

batch数据为64,循环次数为300次,通过在线上环境完成训练,模型最优精度评分为82.90。

2019-11-02 21:06:14

82.90

89

提供者:海1574080440

batch数据为128,循环次数为10000次,通过在线上环境完成训练,模型最优精度评分为82.50。

2019-11-28 22:47:32

82.50

90

提供者:开拓者

batch数据为256,循环次数为1000次,通过在线上环境完成训练,模型最优精度评分为82.10。

2019-11-01 19:55:37

82.10

91

提供者:大山1563190752

batch数据为500,循环次数为200次,通过在线上环境完成训练,模型最优精度评分为80.70。

PyTorch

SEnet

2020-02-26 10:12:02

80.70

92

提供者:可堪回首

batch数据为50,循环次数为100次,通过在线上环境完成训练,模型最优精度评分为79.90。

2019-11-23 21:52:32

79.90

93

提供者:先生小时是学生

batch数据为128,循环次数为500次,通过在线上环境完成训练,模型最优精度评分为79.90。

2019-12-04 04:39:40

79.90

94

提供者:张先生

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为79.40。

2019-11-28 16:55:01

79.40

95

提供者:geeker

batch数据为1,循环次数为1次,通过在线上环境完成训练,模型最优精度评分为79.30。

2019-11-07 14:51:30

79.30

96

提供者:阿虚

batch数据为128,循环次数为400次,通过在线上环境完成训练,模型最优精度评分为79.00。

2019-11-05 18:47:33

79.00

97

提供者:卡拉玛哈马塔

batch数据为128,循环次数为500次,通过在线上环境完成训练,模型最优精度评分为78.60。

2019-11-26 14:02:30

78.60

98

提供者:天天向上

batch数据为64,循环次数为1000次,通过在线上环境完成训练,模型最优精度评分为77.30。

2019-11-15 14:01:58

77.30

99

提供者:a554142589

batch数据为32,循环次数为5000次,通过在线上环境完成训练,模型最优精度评分为77.20。

2019-11-06 14:02:59

77.20

100

提供者:RRRubick

batch数据为32,循环次数为1000次,通过在线上环境完成训练,模型最优精度评分为76.90。

PyTorch

SEnet

2019-11-22 19:21:36

76.90

101

提供者:搬砖的长工

batch数据为32,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为76.30。

2019-11-05 00:49:14

76.30

102

提供者:Nie

batch数据为32,循环次数为500次,通过在线上环境完成训练,模型最优精度评分为76.30。

2019-11-20 18:24:05

76.30

103

提供者:美式半糖不加奶

batch数据为64,循环次数为400次,通过在线上环境完成训练,模型最优精度评分为76.10。

PyTorch

SEnet

2019-11-02 07:42:57

76.10

104

提供者:王大秀

batch数据为128,循环次数为900次,通过在线上环境完成训练,模型最优精度评分为75.00。

2019-12-25 16:21:01

75.00

105

提供者:Stu_Sun

batch数据为32,循环次数为500次,通过在线上环境完成训练,模型最优精度评分为74.00。

2019-11-21 02:08:48

74.00

106

提供者:deyiwang

batch数据为32,循环次数为1000次,通过在线上环境完成训练,模型最优精度评分为73.60。

2019-11-13 00:16:14

73.60

107

提供者:VicCao

batch数据为32,循环次数为50次,通过在线上环境完成训练,模型最优精度评分为73.10。

2019-11-14 16:21:59

73.10

108

提供者:陆先生。

batch数据为32,循环次数为1000次,通过在线上环境完成训练,模型最优精度评分为72.50。

2019-11-01 11:03:58

72.50

109

提供者:cv1557321940

batch数据为256,循环次数为200次,通过在线上环境完成训练,模型最优精度评分为72.50。

2019-11-26 02:11:08

72.50

110

提供者:

batch数据为256,循环次数为2000次,通过在线上环境完成训练,模型最优精度评分为71.50。

2019-11-28 13:24:59

71.50

111

提供者:The end.终结

batch数据为64,循环次数为2000次,通过在线上环境完成训练,模型最优精度评分为70.60。

2019-11-01 17:57:13

70.60

112

提供者:会飞的猪

batch数据为128,循环次数为150次,通过在线上环境完成训练,模型最优精度评分为69.80。

2019-11-15 10:27:33

69.80

113

提供者:Mr.Stone

batch数据为64,循环次数为100次,通过在线上环境完成训练,模型最优精度评分为69.60。

2019-11-07 13:41:32

69.60

114

提供者:张文虎

batch数据为64,循环次数为1000次,通过在线上环境完成训练,模型最优精度评分为69.30。

2019-11-01 10:22:09

69.30

115

提供者:友情小爪

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为68.30。

2019-11-04 02:25:10

68.30

116

提供者:释然

batch数据为24,循环次数为100次,通过在线上环境完成训练,模型最优精度评分为67.60。

PyTorch

SEnet

2019-11-08 05:50:16

67.60

117

提供者:耿耿

batch数据为128,循环次数为200次,通过在线上环境完成训练,模型最优精度评分为67.50。

2019-12-01 23:17:45

67.50

118

提供者:大熊

batch数据为256,循环次数为150次,通过在线上环境完成训练,模型最优精度评分为67.30。

2019-11-29 11:21:29

67.30

119

提供者:灰灰~

batch数据为32,循环次数为1000次,通过在线上环境完成训练,模型最优精度评分为67.10。

2019-11-20 20:23:14

67.10

120

提供者:hpd

batch数据为256,循环次数为200次,通过在线上环境完成训练,模型最优精度评分为66.40。

2019-11-12 12:28:39

66.40

121

提供者:马鹏程

batch数据为32,循环次数为1000次,通过在线上环境完成训练,模型最优精度评分为65.10。

2019-11-02 10:04:07

65.10

122

提供者:LonglongaaaGo

batch数据为32,循环次数为500次,通过在线上环境完成训练,模型最优精度评分为64.70。

2019-11-04 05:22:12

64.70

123

提供者:persue

batch数据为64,循环次数为3000次,通过在线上环境完成训练,模型最优精度评分为64.20。

2019-11-05 09:12:32

64.20

124

提供者:hpo3

batch数据为16,循环次数为500次,通过在线上环境完成训练,模型最优精度评分为63.80。

2019-11-10 15:44:23

63.80

125

提供者:who

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为62.90。

2019-11-05 14:08:39

62.90

126

提供者:诗人藏夜里

batch数据为32,循环次数为100次,通过在线上环境完成训练,模型最优精度评分为62.00。

2019-11-01 16:54:02

62.00

127

提供者:風

batch数据为24,循环次数为400次,通过在线上环境完成训练,模型最优精度评分为61.80。

2019-11-01 11:50:01

61.80

128

提供者:清风伴酒

batch数据为16,循环次数为100次,通过在线上环境完成训练,模型最优精度评分为57.10。

2020-03-13 14:11:40

57.10

129

提供者:阿丁丁

batch数据为32,循环次数为100次,通过在线上环境完成训练,模型最优精度评分为54.90。

2019-11-02 07:57:05

54.90

130

提供者:旖旎εїз

batch数据为64,循环次数为100次,通过在线上环境完成训练,模型最优精度评分为54.50。

2019-11-03 13:32:53

54.50

131

提供者:吖查

batch数据为64,循环次数为1000次,通过在线上环境完成训练,模型最优精度评分为54.10。

2019-11-26 21:39:03

54.10

132

提供者:King_HAW

batch数据为24,循环次数为100次,通过在线上环境完成训练,模型最优精度评分为52.30。

2019-11-12 13:04:24

52.30

133

提供者:Stacey

batch数据为100,循环次数为150次,通过在线上环境完成训练,模型最优精度评分为51.00。

2019-11-06 00:22:02

51.00

134

提供者:青松

batch数据为64,循环次数为60次,通过在线上环境完成训练,模型最优精度评分为50.70。

2019-11-15 14:26:17

50.70

135

提供者:foxerlee

batch数据为32,循环次数为1000次,通过在线上环境完成训练,模型最优精度评分为47.30。

2019-11-02 08:52:17

47.30

136

提供者:*猫

batch数据为64,循环次数为100次,通过在线上环境完成训练,模型最优精度评分为45.40。

2019-11-03 18:43:59

45.40

137

提供者:weidong

batch数据为64,循环次数为20次,通过在线上环境完成训练,模型最优精度评分为32.10。

2019-11-10 05:57:11

32.10

138

提供者:邱星晨

batch数据为64,循环次数为10次,通过在线上环境完成训练,模型最优精度评分为31.10。

2020-02-20 02:32:24

31.10

139

提供者:alenweiru

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为31.00。

2019-11-01 15:18:18

31.00

140

提供者:Gypsophila

batch数据为32,循环次数为10次,通过在线上环境完成训练,模型最优精度评分为30.30。

2019-11-08 19:33:28

30.30

141

提供者:伯爵的艺术

batch数据为128,循环次数为60次,通过在线上环境完成训练,模型最优精度评分为30.00。

2019-11-23 16:35:13

30.00

142

提供者:deny96

batch数据为32,循环次数为100次,通过在线上环境完成训练,模型最优精度评分为29.70。

2019-11-03 00:30:57

29.70

143

提供者:reallocing

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为29.50。

2019-11-22 18:03:09

29.50

144

提供者:哈哈哈哈哈哈哈

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为29.20。

2019-11-12 18:02:22

29.20

145

提供者:找欧阳修啊

batch数据为64,循环次数为1次,通过在线上环境完成训练,模型最优精度评分为29.20。

2019-11-14 20:38:17

29.20

146

提供者:哈利路亚

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为29.20。

PyTorch

SEnet

2020-03-28 15:25:44

29.20

147

提供者:Lonely leaf

batch数据为64,循环次数为50次,通过在线上环境完成训练,模型最优精度评分为26.50。

2019-11-03 07:39:55

26.50

148

提供者:Xin Yao

batch数据为32,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为25.90。

2019-11-02 18:45:29

25.90

149

提供者:RuthlessDragon

batch数据为64,循环次数为1次,通过在线上环境完成训练,模型最优精度评分为22.40。

2019-12-13 18:02:11

22.40

150

提供者:徐文逗

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为22.20。

2019-11-28 15:17:13

22.20

151

提供者:小烟

batch数据为32,循环次数为10次,通过在线上环境完成训练,模型最优精度评分为21.60。

2020-04-28 01:15:12

21.60

152

提供者:blackx1562937090

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为20.10。

2019-11-01 10:58:35

20.10

153

提供者:kk很沉默

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为19.80。

2019-11-12 12:14:48

19.80

154

提供者:Jeremy

batch数据为64,循环次数为10次,通过在线上环境完成训练,模型最优精度评分为16.90。

2019-10-31 20:27:13

16.90

155

提供者:

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为16.20。

2019-11-21 21:32:30

16.20

156

提供者:1+1=⑨

batch数据为64,循环次数为32次,通过在线上环境完成训练,模型最优精度评分为15.70。

2019-11-06 21:43:43

15.70

157

提供者:作业借我抄

batch数据为30,循环次数为32次,通过在线上环境完成训练,模型最优精度评分为14.40。

2019-11-14 13:42:07

14.40

158

提供者:lingxi396

batch数据为16,循环次数为25次,通过在线上环境完成训练,模型最优精度评分为13.50。

2019-11-02 08:39:40

13.50

159

提供者:for three

batch数据为64,循环次数为100次,通过在线上环境完成训练,模型最优精度评分为13.50。

2019-11-06 23:28:14

13.50

160

提供者:jiao_xd17

batch数据为128,循环次数为50次,通过在线上环境完成训练,模型最优精度评分为13.30。

2019-10-31 22:51:48

13.30

161

提供者:10点睡7点起

batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为11.70。

2019-11-13 21:41:46

11.70

162

提供者:歡喜先生

batch数据为64,循环次数为3次,通过在线上环境完成训练,模型最优精度评分为11.40。

2019-11-14 10:41:49

11.40

2019-12-02
一口大怪兽

模型得分为98.5,本次获得排名奖奖金为210

2019-12-02 15:00:02

trickornot

模型得分为98.6,本次获得排名奖奖金为420

2019-12-02 15:00:02

大木淡漠

模型得分为98.7,本次获得排名奖奖金为630

2019-12-02 15:00:02

小林子

模型得分为98.8,本次获得排名奖奖金为1050

2019-12-02 15:00:02

善假于物

模型得分为98.9,本次获得排名奖奖金为1890

2019-12-02 15:00:02

2019-11-27
善假于物

模型得分为98.9,本次获得实时奖励奖金为4

2019-11-27 10:45:58

2019-11-19
小林子

模型得分为98.8,本次获得实时奖励奖金为9

2019-11-19 10:38:44

小林子

模型得分为98.8,本次获得实时奖励奖金为9

2019-11-19 10:38:39

小林子

模型得分为98.8,本次获得实时奖励奖金为9

2019-11-19 10:38:38

小林子

模型得分为98.8,本次获得实时奖励奖金为9

2019-11-19 10:38:38

小林子

模型得分为98.8,本次获得实时奖励奖金为9

2019-11-19 10:38:38

小林子

模型得分为98.8,本次获得实时奖励奖金为9

2019-11-19 10:38:37

小林子

模型得分为98.8,本次获得实时奖励奖金为9

2019-11-19 10:38:35

2019-11-15
小林子

模型得分为98.6,本次获得实时奖励奖金为4

2019-11-15 18:59:27

小林子

模型得分为98.6,本次获得实时奖励奖金为4

2019-11-15 18:59:25

小林子

模型得分为98.6,本次获得实时奖励奖金为4

2019-11-15 18:59:21

2019-11-14
小林子

模型得分为98.5,本次获得实时奖励奖金为5

2019-11-14 22:05:08

小林子

模型得分为98.5,本次获得实时奖励奖金为5

2019-11-14 22:05:07

小林子

模型得分为98.5,本次获得实时奖励奖金为5

2019-11-14 22:05:04

2019-11-11
一口大怪兽

模型得分为98.4,本次获得实时奖励奖金为4

2019-11-11 10:38:16

一口大怪兽

模型得分为98.4,本次获得实时奖励奖金为4

2019-11-11 10:38:13

一口大怪兽

模型得分为98.4,本次获得实时奖励奖金为4

2019-11-11 10:38:10

2019-11-07
交差墒

模型得分为97.2,本次获得实时奖励奖金为1.17

2019-11-07 10:34:36

2019-11-06
Mengcius

模型得分为97,本次获得实时奖励奖金为2.34

2019-11-06 11:26:58

2019-11-05
emmm我还没想好

模型得分为98.3,本次获得实时奖励奖金为17

2019-11-05 11:01:18

emmm我还没想好

模型得分为98.3,本次获得实时奖励奖金为17

2019-11-05 11:01:15

2019-11-04
Mengcius

模型得分为89.6,本次获得实时奖励奖金为1.5

2019-11-04 11:18:29

忘忧草892

模型得分为97.9,本次获得实时奖励奖金为9.38

2019-11-04 11:17:01

天涯·明月·刀

模型得分为97.2,本次获得实时奖励奖金为18.75

2019-11-04 11:15:42

batter

模型得分为88.6,本次获得实时奖励奖金为3

2019-11-04 11:13:00

Wghost

模型得分为94.6,本次获得实时奖励奖金为1.17

2019-11-04 11:09:08

Daiccccc

模型得分为97.9,本次获得实时奖励奖金为53.5

2019-11-04 11:08:15

Mengcius

模型得分为87.9,本次获得实时奖励奖金为1.5

2019-11-04 11:06:36

善假于物

模型得分为92.7,本次获得实时奖励奖金为1.41

2019-11-04 11:06:16

siaya

模型得分为90.4,本次获得实时奖励奖金为6

2019-11-04 11:06:02

emmm我还没想好

模型得分为97.2,本次获得实时奖励奖金为75

2019-11-04 11:02:23

宇宙

模型得分为93.4,本次获得实时奖励奖金为2.81

2019-11-04 10:57:46

田海滨

模型得分为91.3,本次获得实时奖励奖金为5.63

2019-11-04 10:57:38

siaya

模型得分为86.2,本次获得实时奖励奖金为1.5

2019-11-04 10:56:34

208.

模型得分为91.2,本次获得实时奖励奖金为11.25

2019-11-04 10:56:26

chenfengshf

模型得分为94.8,本次获得实时奖励奖金为2.34

2019-11-04 10:56:12

208.

模型得分为85.9,本次获得实时奖励奖金为3

2019-11-04 10:56:03

忘忧草892

模型得分为96.8,本次获得实时奖励奖金为4.69

2019-11-04 10:55:55

一口大怪兽

模型得分为97.2,本次获得实时奖励奖金为150

2019-11-04 10:54:33

Zkk_hhh

模型得分为90.1,本次获得实时奖励奖金为12

2019-11-04 10:52:47

chenfengshf

模型得分为87.2,本次获得实时奖励奖金为6

2019-11-04 10:52:40

一口大怪兽

模型得分为96.9,本次获得实时奖励奖金为9.38

2019-11-04 10:52:16

大木淡漠

模型得分为94.9,本次获得实时奖励奖金为18.75

2019-11-04 10:50:58

clare

模型得分为91.7,本次获得实时奖励奖金为22.5

2019-11-04 10:47:43

宇宙

模型得分为88.2,本次获得实时奖励奖金为24

2019-11-04 10:47:33

超爱喝酸奶

模型得分为91.9,本次获得实时奖励奖金为45

2019-11-04 10:47:23

善假于物

模型得分为86.6,本次获得实时奖励奖金为12

2019-11-04 10:46:43

2019-11-01
超爱喝酸奶

模型得分为88.8,本次获得实时奖励奖金为48

2019-11-01 11:53:41

西北风

模型得分为97.5,本次获得实时奖励奖金为324

2019-11-01 11:53:36

Winteriscoming

模型得分为94.2,本次获得实时奖励奖金为37.5

2019-11-01 11:49:14

Winteriscoming

模型得分为92.2,本次获得实时奖励奖金为90

2019-11-01 11:48:20

emmm我还没想好

模型得分为96.9,本次获得实时奖励奖金为54

2019-11-01 11:48:12

emmm我还没想好

模型得分为95.4,本次获得实时奖励奖金为562

2019-11-01 11:48:07

讨论
500字
表情
每日优质讨论奖励 20FAI
发送
每日优质讨论奖励 20FAI
删除确认
是否删除该条评论?
取消 删除

挑战者大赛 官方交流群

我的记录

你还没有任何提交记录喔...

使用指南

  • windows客户端
  • windows命令行
  • Mac/Linux

1.进入代码编辑页下载当前代码

2.本地解压缩代码包文件,双击执行 flyai.exe 程序

第一次使用需要使用微信扫码登录 杀毒软件可能会误报,点击信任该程序即可

3.开启 FlyAI-Jupyter 代码调试环境

运行flyai.exe程序,点击"使用jupyter调试"按钮自动打开jupyter lab 操作界面

运行 run main.py 命令即可在本地训练调试代码

如果出现 No Model Name "xxx"错误,需在 requirements.txt 填写项目依赖

4.下载本地测试数据

运行flyai.exe程序,点击"下载数据"按钮,程序会下载100条调试数据

5.提交训练到GPU

运行flyai.exe程序,点击"提交GPU训练"按钮,代码将自动提交到云端GPU进行训练

返回sucess状态,代表提交离线训练成功,训练结束会以微信和邮件的形式发送结果通知

项目中有新的Python包引用,必须在 requirements.txt 文件中指定包名,不填写版本号将默认安装最新版

更多参赛帮助请查看文档中心

1.进入代码编辑页下载当前代码

2.打开运行,输入cmd,打开终端

Win+R 输入 cmd

3.使用终端进入到项目的根目录下

cd path\to\project

4.开启 FlyAI-Jupyter 代码调试环境

在终端执行命令 flyai.exe ide 打开调试环境(第一次使用需要使用微信扫码登录)

操作过程有延迟,请耐心等待

运行 run main.py 命令即可在本地训练调试代码

如果出现 No Model Name "xxx"错误,需在 requirements.txt 填写项目依赖

5.提交训练到GPU

在FlyAI-Jupyter环境下运行 !flyai.exe train 将代码提交到云端GPU免费训练

返回sucess状态,代表提交离线训练成功,训练结束会以微信和邮件的形式发送结果通知

项目中有新的Python包引用,必须在 requirements.txt 文件中指定包名,不填写版本号将默认安装最新版

6.下载本地测试数据

首次成功执行本地调试命令后,将在本地代码包中自动生成"data"数据集文件夹

7.使用自己的Python环境

flyai.exe path=xxx 可以设置自己的Python路径

flyai.exe path=flyai 恢复系统默认Pyton路径

更多参赛帮助请查看文档中心

1.进入代码编辑页下载当前代码

2.使用终端进入到项目的根目录下

cd path\to\project

3.初始化环境登录

使用如下命令授权 flyai 脚本: chmod +x ./flyai

4.开启 Jupyter 代码调试环境

在终端执行命令 ./flyai ide 打开调试环境(第一次使用需要使用微信扫码登录) 操作过程有延迟,请耐心等待

运行 run main.py 命令即可在本地训练调试代码

如果出现 No Model Name "xxx"错误,需在 requirements.txt 填写项目依赖

或使用终端

执行下列命令本地安装环境并调试

./flyai test 注意:如果出现 permission denied 错误,需使用sudo运行

如果出现 No Model Name "xxx"错误,需在 requirements.txt 填写项目依赖

执行test命令,会自动下载100条测试数据到项目下

如果使用本地IDE开发,可以自行安装 requirements.txt 中的依赖,运行 main.py 即可

5.提交训练到GPU

在FlyAI-Jupyter环境下运行 !./flyai train 将代码提交到云端GPU免费训练 返回sucess状态,代表提交离线训练成功,训练结束会以微信和邮件的形式发送结果通知

或者在终端下使用 ./flyai train -b=32 -e=10

项目中有新的Python包引用,必须在 requirements.txt 文件中指定包名,不填写版本号将默认安装最新版

6.下载本地测试数据

首次成功执行本地调试命令后,将在本地代码包中自动生成"data"数据集文件夹

7.使用自己的Python环境

./flyai path=xxx 可以设置自己的Python路径

./flyai path=flyai 恢复系统默认Pyton路径

更多参赛帮助请查看文档中心